这是我参与11月更文挑战的第19天，活动详情查看：2021最后一次更文挑战
在使用Numpy的过程中，如果不加注意，就会很容易踩坑，下面列出在Numpy使用过程中的尤其需要注意的地方：
这篇主要列出使用Numpy编程中需要注意的几个方面：
- NaN的等值判断
- Numpy数值中包含NaN值的求和方法
- Numpy数组中包含NaN值时获取最小大值或索引的方法
- 判断是否无穷大
- 判断是否是无穷大或是NaN
- 在统计时把NaN的值映射为0
NaN的判断
在Python中，当需要对两个对象的值进行等值判断时，只需要使用两个等于号即可，但是在Numpy中判断两个NaN是否相等时用两个等于号判断是错误的。NaN数值的判断不能使用常见的==进行判断，正确的方法是需要使用Numpy的isnan函数进行判断：
下面的例子第一个使用两个等于号进行获取ndarray中是nan的数据，返回的是空数组；
In [1]: import numpy as np
In [2]: data = np.array([0, 99, np.nan])
In [3]: data
Out[3]: array([ 0., 99., nan])
In [4]: data[data == np.nan]
Out[4]: array([], dtype=float64)
numpy.isnan(ndarray): 返回ndarray里面是nan的数据,返回的是有多个nan元素的数组。
下面的例子包含有一个nan数据，使用numpy.isnan(ndarray)获取ndarray中是nan的数据时，返回的数据是符合预期的。
In [5]: data[np.isnan(data)]
Out[5]: array([nan])
Numpy数值中包含NaN值的求和方法
在Numpy数组中，对所有元素都是正常数组的数据进行求和会是很简单。如果Numpy数组中存在了NaN数值，在求和时则需要注意，正确的方法是使用Numpy所提供的numpy.nansum(numpy数组)进行求和。
numpy.nansum(numpy数组)：此方法返回包含NaN缺失值的数组的累加值。
下面的例子返回0到9的累计值，其中第四个为NaN值，使用numpy.nansum(numpy数组)正确返回了42。
构造包含NaN值的数组：
In [9]: data = np.arange(10.)
In [10]: data
Out[10]: array([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
In [11]: data[3] = np.nan
In [12]: data
Out[12]: array([ 0., 1., 2., nan, 4., 5., 6., 7., 8., 9.])
使用numpy.nansum(numpy数组)获取除了NaN外的求和:0到9的累加和（剔除NaN）：42
In [13]: np.nansum(data)
Out[13]: 42.0
使用numpy.nansum(numpy数组)获取除了NaN外的求和:0到9的累加和：45
In [14]: np.nansum(np.arange(10.))
Out[14]: 45.0
Numpy数组中包含NaN值时获取最小大值或索引的方法
当在存在NaN值的数组总获取最大值、最小值或者最大值索引和最小值索引时，需要注意的是使用Numpy自带的正确方法：
- np.nanmin(data)：返回存在NaN缺失值的data数组中的最小值
- np.nanmax(data)：返回存在NaN缺失值的data数组中的最大值
- np.nanargmin(data)：获取存在NaN缺失值的data数组数组中非NaN最小值的索引
- np.nanargmax(data)：获取存在NaN缺失值的data数组数组中非NaN最大值的索引 构造存在NaN缺失值的数组：
In [9]: data = np.arange(10.)
In [10]: data
Out[10]: array([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
In [11]: data[3] = np.nan
In [12]: data
Out[12]: array([ 0., 1., 2., nan, 4., 5., 6., 7., 8., 9.])
使用np.nanmin(data)方法返回存在NaN缺失值的data数组中的最小值
In [15]: np.nanmax(data)
Out[15]: 9.0
使用np.nanmax(data)方法返回存在NaN缺失值的data数组中的最小值
In [16]: np.nanmin(data)
Out[16]: 0.0
使用np.nanargmin(data)方法获取存在NaN缺失值的data数组数组中非NaN最小值的索引
In [17]: np.nanargmin(data)
Out[17]: 0
使用np.nanargmax(data)方法获取存在NaN缺失值的data数组数组中非NaN最大值的索引
In [18]: np.nanargmax(data)
Out[18]: 9
判断是否无穷大
在Numpy中，表示一个数值是无穷大是使用：np.inf。当需要判断一个数值是否无穷大时应该使用以下方法：
numpy.isinf(value): 判断value是否是无穷大，是的话返回True，否则返回False
In [20]: data = np.array([0., 1., 2., 3., np.inf])
In [21]: data.isinf(np.inf)
Out[22]: True
判断是否是无穷大或是NaN
在Numpy中，表示一个数值是无穷大是使用：np.inf。当需要判断一个数值是否无穷大时应该使用以下方法：
numpy.isinf(value): 判断value是否是无穷大，是的话返回True，否则返回False
但当需要判断一个数值是否有穷或者不是NaN是，则需要使用以下方法:
np.isfinite(value): 判断value是否是有穷的。当是无穷大或是NaN返回False，当不是无穷大或不是NaN返回True。
下面的例子判断是否有穷：
np.isfinite(value)当是无穷大或是NaN返回False
In [24]: np.isfinite(np.inf)
Out[24]: False
In [25]: np.isfinite(np.NaN)
Out[25]: False
np.isfinite(value)当不是无穷大或不是NaN返回True
In [26]: np.isfinite(2)
Out[26]: True
把NaN的值映射为其他值
当我们进行数据处理时，总会存在缺失值的情况，那么Numpy提供我们可以在不修改数据的情况下，在计算时把缺失值统一映射成你想设定的值。
np.nan_to_num(np.nan)： 此方法把nan映射为0
In [27]: np.nan_to_num(np.nan)
Out[27]: 0.0
np.nan_to_num(np.inf)： 此方法把np.inf映射成float的最大值
In [28]: np.nan_to_num(np.inf)
Out[28]: 1.7976931348623157e+308
np.nan_to_num(np.NINF)把np.NINF映射成float的最小值
In [29]: np.nan_to_num(np.NINF)
Out[29]: -1.7976931348623157e+308
